API src

Found 1917 results.

Similar terms

s/ski/KI/gi

Other language confidence: 0.6099009940727363

Stündliche Stationsmessungen der Lufttemperatur und Luftfeuchte für Deutschland

Diese Daten stammen von den Stationen des DWD und rechtlich sowie qualitativ gleichgestellten Partnernetzen. Umfangreiche Stationsmetadaten (Stationsverlegungen, Instrumentenwechsel, Wechsel der Bezugszeit, Änderungen in den Algorithmen) werden beim Download mitgeliefert. Der Datensatz ist aufgeteilt in einen versionierten Teil mit abgeschlossener Qualitätsprüfung, im Verzeichnis ./historical/. Und einen sich kontinuierlich aktualisierenden Teil, für den die Qualitätsprüfung noch nicht abgeschlossen ist, im Verzeichnis ./recent/. In dem Ordner ./timeseries_overview/ stehen Angaben zu langen Zeitreihen zur Verfügung.

Renaturierung von Mooren der nemoralen Zone unter Bedingungen variabler Wasserverfügbarkeit und -qualität

Die Funktionen von Mooren in Wasser- und Elementkreisläufen, als Kohlenstoffspeicher und in der Bewahrung der Biodiversität sind zunehmend im Fokus wissenschaftlicher und öffentlicher Debatte. Insbesondere im Verlauf des Klimawandels sind renaturierte Hochmoore Klimaextremen ausgesetzt, zum Beispiel Dürren, mit Langzeiteffekten für Boden und Pflanzengemeinschaften, und somit auch für den Kohlenstoffkreislauf. Der Klimawandel erschwert damit zusätzlich die Hochmoorrenaturierung zu bereits vorhandenen Grenzen. Damit verbunden ist ein unzureichender Wissensstand bezüglich potentieller Indikatoren für Degradation und Renaturierungserfolge, z.B. die Dynamiken und Bilanzen von Gasflüssen, Biodiversitätsniveaus oder Wasserbilanzen. Moordegradierung verändert die Wasserspeicherfähigkeit und reduziert die Fähigkeit Wasserschwankungen abzupuffern, was die Renaturierung weiter beeinflusst. Paläoökologische Daten erlauben Schlussfolgerungen über Feuchtebedingungen für Torfwachstum und potentielle Resilienz gegenüber in der Vergangenheit aufgetretenen Schwankungen der Umweltbedingungen. Somit können aus ihnen Grundlageninformationen abgeleitet werden, die helfen Renaturierungsziele zu formulieren, aber auch mögliche Einschränkungen aufzeigen. Der voranschreitenden Klimawandel mit häufigen auftretenden Hitzewellen und Dürren bedeutet insbesondere für die Re-Etablierung von Hochmoorvegetation eine ernste Bedrohung, die auf nährstoffarmes Niederschlagswasser angewiesen ist. Das Projekt verbindet Schlüsselmethoden von verwandten Disziplinen in bisher nicht gekannter Weise: In Unterprojekten behandeln wir i) die paläoökologische Rekonstruktion von Referenzbedingungen und Indikatoren für Degradation, ii) aktuelle Hydrologie, Niveaus von Biodiversität, Mikrobielle Gemeinschaften, iii) CO2 und CH4 Bilanzen mit Hauben- und Eddy-Covariance Technik und vorhandenen Langzeitdaten, iv) neuste Fernerkundungsmethoden inklusive dem Upscaling von Plotniveau bis auf das Landschaftsniveau, unterstützt von künstlicher Intelligenz, v) Negative Auswirkungen und Wechselbeziehungen zwischen Biodiversität, Kohlenstoffbilanzen, Treibhausgasemissionen und Resilienz wenn Zielniveaus nicht erreicht werden können, vi) Wissenstransfer in enger Zusammenarbeit mit Torfindustrie, Naturschutzakteuren, Akteuren der Land- und Wasserwirtschaft und der Administration.Wir untersuchen erstmalig Hochmoorrenaturierungsverläufe basierend auf neusten Bewertungsmethoden der Paläoökologie und Biogeochemie von Torfproben und ordnet diese Daten in einen landschaftsökologischen Kontext ein, um mit leistungsstarken Fernerkundungswerkzeugen das zukünftige Monitoring von degradierten und renaturierten Hochmoorflächen zu ermöglichen. Die enge Verbindung der Arbeitspakete und die Anwendung von in der Renaturierungsökologie wenig betrachteter Daten machen dieses Projekt innovativ und lassen wichtige Ergebnisse erwarten für die Hochmoorrenaturierung unter sich verändernden hydro-klimatischen Bedingungen.

Digital GreenTech 2 - DIWA: Digitale, vernetzte und interaktive Wasserqualitätsüberwachung, ein Konzept für autonome Frühwarnsysteme zum Gewässerschutz

Entwicklung von Basistechnologien für 100% Wasserstoffgasturbinen zur Beschleunigung der Energiewende in Deutschland, Teilvorhaben: KI unterstützte Entwicklung von Flashback Prädiktoren

Entwicklung eines Online-Parametrisierungsansatzes zur Vorhersage der Hygroskopizität von organischem Aerosol in der Umgebung auf der Grundlage von hochauflösenden AMS-Messungen

Verschiedene atmosphärische Prozesse werden durch die Wasseraufnahmefähigkeit (Hygroskopizität) von Aerosolpartikel angetrieben, wie z.B. die Lichtstreuung der Partikel, die Bildung von Wolkentröpfchen, die Aktivierung von Wolkenkondensationskeimen (CCN), die Veränderung des hydrologischen Zyklus sowie der Strahlungsantrieb der Wolken. Trotz seiner entscheidenden Rolle für die Atmosphäre und das Klima gibt es immer noch eine große Diskrepanz im Wissen über den Beitrag des organischen Aerosols, das einen größeren Teil der Submikrometer-Partikelmassenkonzentration darstellt, zur gesamten Hygroskopizität. Der folgende Projektantrag schlägt einen ganz neuen Ansatz zur Parametrisierung der hygroskopischen Eigenschaften von organischen Aerosolpartikeln vor, der ein chemisches Online-Funktionskonzept verwendet, das auf der Analyse der organischen Massenspektren aus den Messungen des High Resolution-Time of Flight-Aerosol Mass Spectrometer (HR-ToF-AMS) basiert. Die Entwicklung dieser Parametrisierung wird auf einer Kombination von Humidified Hygroscopic Tandem Differential Analyzer (HTDMA) und HR-ToF-AMS Messungen in einem dualen, aber komplementären Ansatz basieren. Dazu wird ein intensives Laborscreening von chemischen Verbindungen mit gezielten funktionellen Gruppen und einer Mischung aus verschiedenen organischen Standards durchgeführt werden. Gleichzeitig wird ein maschineller Lernansatz auf der Grundlage früherer TROPOS-Feldkampagnen durchgeführt werden, der Messungen beider Instrumente integriert. Ein Vergleich zwischen den beiden Ansätzen wird für die endgültige Validierung in der Studie durchgeführt werden. Diese Parametrisierung wird dann in zwei Feldkampagnen validiert, die jeweils einer bestimmten Art von organischem Aerosol gewidmet sind: eine von biogenem Aerosol dominierte Umgebung in Melpitz (Deutschland) und eine von städtischem Aerosol dominierte Umgebung in SIRTA (Frankreich), wo beide Instrumente im Rahmen dieses Projekts eingesetzt werden sollen. Die Online-Hygroskopizität des Umgebungsaerosols wird durch die Kombination von HR-ToF-AMS (organisches und anorganisches Aerosol) und optischen Messungen des Aethalometers (äquivalenter schwarzer Kohlenstoff) abgeschätzt und dann mit der vom HTDMA gemessenen verglichen. Unter Ausnutzung der Vorteile der hochauflösenden und einheitlichen Massenspektrenauflösung des HR-ToF-AMS und des Vorhandenseins des Aerosol Chemical Speciation Monitor (ACSM) an beiden ausgewählten Feldstandorten wird die Methode auch für das ACSM optimiert. Infolgedessen wird eine automatische Routine für beide Instrumente (HR-ToF-AMS und ACSM) entwickelt, die in das ACSM-Netzwerk des Aerosols, Clouds, and Trace gases Research Infrastructure Network (ACTRIS) implementiert wird, um eine einzigartige Möglichkeit für eine zeitnahe und langfristige Messung der Aerosol-Hygroskopizität über Europa zu bieten.

Entwicklung eines Copernicus-Dienstes zur Erstellung konsistenter Daten für die Waldfläche Deutschlands, Teilvorhaben: Funktionstests NW-FVA

Erkennung landwirtschaftlicher Technologieadoption und -nutzung mithilfe von Satellitendaten und self-supervised Deep Learning

Neue Technologien und Betriebsführungssysteme gelten als entscheidend, um die Nachhaltigkeit und Ressourceneffizienz der Landwirtschaft zu steigern. Jedoch sind unsere Datenquellen, die Auskunft darüber geben, welche Technologien in den Betrieben tatsächlich eingesetzt werden sehr begrenzt. Das macht es schwierig zu beurteilen, ob die Technologien tatsächlich die versprochenen Umwelteffekte erzielen können und schränkt unsere Möglichkeiten ein Technologiediffusion zu untersuchen und zu verstehen. Wir argumentieren, dass Satellitendaten und neuartige Deep Learning-Ansätze derzeit ungenutzte Möglichkeiten bieten, um diese Limitationen zu überwinden. Die vorhandene Literatur hat bereits gezeigt, dass anhand von Satellitendaten Technologien auf Feldebene erkannt werden können. Bislang werden diese Datensätze jedoch nicht in vollem Umfang genutzt, um das Adoptionsverhalten oder Diffusionsprozesse zu untersuchen. Die vorhandenen Datenprodukte bieten zwar erhebliches Potential, sind aber in Bezug auf die von ihnen abgedeckten Regionen/Technologien begrenzt. Eine Ausweitung auf andere Regionen/Technologien ist nur begrenzt möglich, da für das Lernen neuer maschineller Lernmodelle oder die Erweiterung bestehender Modelle in der Regel große Mengen an gelabelten Referenzdaten (d. h. Beobachtungen mit bekannten Referenzinformationen) erforderlich sind, an denen es jedoch häufig mangelt. Die Ziele dieses Projekts sind daher zweifach. Erstens wollen wir vorhandene Datenprodukte aus Satellitendaten nutzen, um Diffusionsprozesse zu untersuchen, insbesondere die Dynamik der Adoption (“Disadoption”) und räumlich Peer-Effekte. Hier können wir einen bestehenden Datensatz für bodenschonender Bodenbearbeitung in den USA nutzen, der aus Satellitendaten abgeleitet wurde. Zweitens zielen wir darauf ab, die Anzahl der benötigten gelabelten Referenzdaten für Deep Learning-Ansätze deutlich zu reduzieren. Dazu wollen wir neuartige Lernverfahren entwickeln und insbesondere untersuchen, ob die Einbeziehung von agronomischen Domänenwissen dazu beitragen kann, die Anzahl der benötigten gelabelten Referenzdaten zu reduzieren. Wir vergleichen die entwickelten Ansätze mit den vorhandenen US-Daten und wenden sie an um neue Datenprodukte für andere Regionen (Deutschland) und Technologien (bodenschonender Bodenbearbeitung und Glyphosateinsatz) zu erstellen. Der Daten werden öffentlich zugänglich gemacht. Wir nutzen sie um die Diffusionsdynamiken von bodenschonender Bodenbearbeitung und Glyphosateinsatz in Deutschland abzuleiten, was einen wichtige Betrag für die aktuelle politische Debatte über diese Technologien liefern kann.

Quantitative optische Differentialdiagnostik für Umweltschutz und Nachhaltigkeit in der Landwirtschaft (quantiFARM), Teilvorhaben: KI-basierte Modellierung der Bezüge zwischen Bodenfluoreszenz und umweltschutzrelevanten Bodenparametern sowie Nachhaltigkeitsbewertung

Messgeräteplattform & Sensorpaket zum hybriden Monitoring von Fließgewässern

Das Wasserfahrzeug als Messgeräteplattform besteht aus einem durch zwei Motoren angetriebenen Katamaran. Das Sensorpaket beinhaltet Messtechnik zur gleichzeitigen Erfassung der Gewässergüte (Multiparametersonde), der Gewässertopografie (Vertikal-Echolot, Seitensichtsonar) sowie hochaufgelöster Strömungsverhältnisse im Fließquerschnitt (9-strahlige Akustik-Doppler-Sonde). Weiter ist ein LiDAR-Sensor zur Erfassung und Kartierung der Ufervegetation bzw. Bebauung an und in Gewässerrandstreifen vorgesehen. Für eine georeferenzierte Datenerfassung soll die Messgeräteplattform mit einem GNSS-Empfänger (RTK-Genauigkeit) ausgestattet werden und ergänzend eine Zielmarke erhalten, sodass ein Tracking über Kopter und Vermessungsdrohnen (UAVs) ermöglicht wird. Mit den Messgeräten sollen Forschungsfragen in den Handlungsfeldern „Digitalisierung der Wasserwirtschaft“, „Resilienz gegenüber Hoch- und Niedrigwasserereignissen“ und „Neue Verfahren zur Datenerhebung in der Wasserwirtschaft“ beantwortet werden. Grundlegend wird mit dem Großgerät die Aufnahme von Messdaten angestrebt, die möglichst viele gewässerbezogene Parameter enthalten. So soll eine Datenbasis geschaffen werden, welche die Grundlage für die Beantwortung der folgenden Forschungsfragen darstellt: - Inwiefern sind datengetriebene Modelle in der Lage, strukturelle Veränderungen im Gewässer abzubilden und diese auf Wasserstand-Abfluss-Beziehungen zu übertragen bzw. ebendiese zu aktualisieren? - Lassen sich räumliche und raumzeitliche (Auto-) Korrelationen von Niederschlag- und Abflussdaten mittels maschineller Lernverfahren (ML) (insbesondere Long Short-Term Memory-Methoden) modellieren und welchen Einfluss haben Menge und Qualität der Eingangsdaten auf die Genauigkeit der Systemantwort „Abfluss“? - Wann und wo finden Sedimentationsprozesse in Speichersystemen (z. B. Talsperren) statt und können diese durch gezielte Bewirtschaftungspläne verhindert werden? - Welche Auswirkungen hat die Volumenänderung auf die Bewirtschaftung von Speichersystemen und die Bereitstellung bzw. Aufrechterhaltung der Wasserversorgung?

Tree Species - Sentinel-2 - Germany, 2016

The Tree Species Germany product provides a map of dominant tree species across Germany for the year 2016 at a spatial resolution of 10 meters. The map depicts the distribution of ten tree species groups derived from multi-temporal optical Sentinel-2 data. The input features explicitly incorporate phenological information to capture seasonal vegetation dynamics relevant for species discrimination. A total of over 100,000 training and test samples were compiled from publicly accessible sources, including urban tree inventories, Google Earth Pro, Google Street View, and field observations. The final product was created by majority-voting on annual XGBoost Sentinel-2 tree species classifications (2016–2024) and filtering with forest structure data. If no clear majority vote was achieved, the class uncertain was assigned. The Tree Species Germany 2016 product achieves an overall F1-score of 0.95. For the dominant species pine, spruce, beech, and oak, class-wise F1-scores range from 0.92 to 0.99, while F1-scores for other widespread species such as birch, alder, larch, Douglas fir, fir, and other deciduous species range from 0.85 to 0.96. The product provides a consistent, high-resolution, and up-to-date representation of tree species distribution across Germany. Its transferable, cost-efficient, and repeatable methodology enables reliable large-scale forest monitoring and offers a valuable basis for assessing spatial patterns and temporal changes in forest composition in the context of ongoing climatic and environmental dynamics.

1 2 3 4 5 … 190 191 192